[논문 리뷰] Clustering and hierarchy of financial markets data: advantages of the DBHT

Nicoló Musmeci, Tomaso Aste외 1명|arXiv (Cornell University)|2014. 01. 01.

Complex Systems and Time Series Analysis인용 수 3

한 줄 요약

이 논문은 금융 시장 데이터를 위한 새로운 계층적 군집화 방법인 Directed Bubble Hierarchical Tree (DBHT)를 소개하고, 주가 수익률 상관계수에서 산업 부문 분류를 복원하는 데 있어 전통적 방법들인 Linkage 및 k-medoids보다 우수함을 입증한다. DBHT는 더 적은 수의 군집으로 더 많은 경제 정보를 추출함으로써 우월한 성능을 보이며, 다양한 방법 간에 금융 위기 발생 시 민감도에 뚜렷한 차이를 보인다.

ABSTRACT

We present a set of analyses aiming at quantifying the amount of information filtered by di↵erent hierarchical
 clustering methods on correlations between stock returns. In particular we apply, for the first
 time to financial data, a novel hierarchical clustering approach, the Directed Bubble Hierarchical Tree
 (DBHT), and we compare it with other methods including the Linkage and k-medoids. In particular by
 taking the industrial sector classification of stocks as a benchmark partition we evaluate how the di↵erent
 methods retrieve this classification.
 The results show that the Directed Bubble Hierarchical Tree outperforms the other methods, being
 able to retrieve more information with fewer clusters. Moreover, we show that the economic information
 is hidden at di↵erent levels of the hierarchical structures depending on the clustering method. The
 dynamical analysis also reveals that the di↵erent methods show di↵erent degrees of sensitivity to financial
 events, like crises. These results can be of interest for all the applications of clustering methods to portfolio
 optimization and risk hedging.

연구 동기 및 목표

• 주가 수익률 상관계수에서 경제 정보를 추출하는 데 있어 계층적 군집화 방법을 평가하고 비교하는 것.
• 다양한 군집화 기법이 알려진 산업 부문 분류를 얼마나 잘 복원하는지 평가하여 기준으로 삼는 것.
• 금융 시장 사건, 예를 들어 위기 발생 시 군집화 방법의 민감도를 조사하는 것.
• 경제 정보가 가장 뚜렷하게 표현되는 계층적 구조의 수준을 특정하는 것.

제안 방법

• DBHT는 금융 데이터에서 주가 수익률 상관계수 행렬에 처음으로 적용된다.
• DBHT는 구조적 일관성을 강조하는 유도된, 버블 형태의 병합 전략을 기반으로 반복적으로 군집을 병합하여 계층적 트리를 구성한다.
• 동일한 상관계수 데이터를 사용하여 DBHT의 성능을 표준 Linkage 및 k-medoids 군집화 방법과 비교한다.
• 주식의 산업 부문 분류를 정확도 평가의 기준으로 삼는다.
• 각 방법이 생성한 계층적 구조를 분석하여 경제 정보가 가장 잘 복원되는 수준을 파악한다.
• 군집화의 진화 과정을 동적 분석하여 금융 위기 및 시장 변화에 대한 민감도를 평가한다.

실험 결과

연구 질문

• RQ1 DBHT 방법은 Linkage 및 k-medoids에 비해 알려진 주식 산업 부문 분류를 얼마나 효과적으로 복원하는가?
• RQ2 다양한 군집화 방법에서 경제 신호가 가장 뚜렷하게 나타나는 계층적 트리의 수준은 어디인가?
• RQ3 군집화 방법들은 금융 시장 위기 발생 시 어떻게 민감도가 다를까?
• RQ4 각 방법에서 군집 수와 회수된 정보의 양 사이의 상충 관계는 어떠한가?

주요 결과

• DBHT는 Linkage 및 k-medoids보다 더 적은 수의 군집으로 더 많은 경제 정보를 복원하여 뛰어난 군집화 효율성을 보였다.
• 경제 정보는 사용된 군집화 방법에 따라 다른 계층적 수준에 암묵적으로 저장되며, 이는 방법에 따라 정보의 국소화 방식이 다름을 시사한다.
• DBHT는 다른 방법들에 비해 금융 위기 발생 시 더 높은 민감도를 보였으며, 이는 동적인 시장 변화를 잘 포착할 수 있음을 반영한다.
• 동적 분석 결과, 군집화 방법 간에 체계적 시장 사건에 대한 반응 속도에 상당한 차이가 있음이 확인되었다.